知识科普|机器视觉关于图片处理技术介绍

机器视觉体系中 , 视觉信息的处置技能首要依赖于图画处置办法 , 它包含图画增强、数据编码和传输、滑润、边际锐化、切割、特征抽取、图画辨认与了解等内容 。
经过这些处置后 , 输出图画的质量得到适当程度的改进 , 既改进了图画的视觉作用 , 又便于核算机对图画进行剖析、处置和辨认 。

知识科普|机器视觉关于图片处理技术介绍
文章图片

【知识科普|机器视觉关于图片处理技术介绍】1、图画的增强
图画的增强用于调整图画的对比度 , 杰出图画中的重要细节 , 改进视觉质量 。 通常选用灰度直方图修正技能进行图画增强 。
图画的灰度直方图是表明一幅图画灰度散布状况的核算特性图表 , 与对比度严密相连 。通常 , 在核算机中表明的一幅二维数字图画可表明为一个矩阵 , 其矩阵中的元素是坐落相应坐标方位的图画灰度值 , 是离散化的整数 , 通常取0 , 1 , …… , 255 。 这首要是因为核算机中的一个字节所表明的数值规模是0~255 。 别的 , 人眼也只能分辩32个左右的灰度级 。 所以 , 用一个字节表明灰度即可 。
可是 , 直方图仅能核算某级灰度像素呈现的概率 , 反映不出该像素在图画中的二维坐标 。 因而 , 不一样的图画有能够具有一样的直方图 。 经过灰度直方图的形状 , 能判别该图画的明晰度和是非对比度 。若是取得一幅图画的直方图作用不抱负 , 能够经过直方图均衡化处置技能作恰当修正 , 即把一幅已知灰度概率散布图画中的像素灰度作某种映射改换 , 使它成为一幅具有均匀灰度概率散布的新图画 , 完结使图象明晰的意图 。
2、图画的滑润
图画的滑润处置技能即图画的去噪声处置 , 首要是为了去掉实践成像进程中 , 因成像设备和环境所构成的图画失真 , 获取有用信息 。
众所周知 , 实践取得的图画在构成、传输、接纳和处置的进程中 , 不可避免地存在着外部搅扰和内部搅扰 , 如光电改换进程中灵敏元件灵敏度的不均匀性、数字化进程的量化噪声、传输进程中的差错以及人为因素等 , 均会使图画蜕变 。 因而 , 去掉噪声 , 康复原始图画是图画处置中的一个重要内容 。
3、图画的数据编码和传输
数字图画的数据量是适当巨大的 , 一幅512*512个像素的数字图画的数据量为256 K字节 , 若假定每秒传输25帧图画 , 则传输的信道速率为52.4M比特/秒 。 高信道速率意味着高出资 , 也意味着遍及难度的添加 。
因而 , 传输进程中 , 对图画数据进行紧缩显得非常重要 。 数据的紧缩首要经过图画数据的编码和改换紧缩图画数据编码通常选用猜测编码 , 行将图画数据的空间改变规则和序列改变规则用一个猜测公式表明 , 若是知道了某一像素的前面各相邻像素值之后 , 能够用公式猜测该像素值 。
选用猜测编码 , 通常只需传输图画数据的起始值和猜测差错 , 因而可将8比特/像素紧缩到2比特/像素 。 改换紧缩办法是将整幅图画分红一个个小的(一秀取8*8或16*16)数据块 , 再将这些数据块分类、改换、量化 , 然后构成自适应的改换紧缩体系 。 该办法可将一幅图画的数据紧缩到为数不多的几十个特传输 , 在接纳端再改换回去即可 。
4、边际锐化
图画边际锐化处置首要是加强图画中的概括边际和细节 , 构成完好的物体鸿沟 , 到达将物体从图画平分离出来或将表明同一物体外表的区域检测出来的意图 。 它是前期视觉理论和算法中的根本疑问 , 也是中期和后期视觉胜败的重要因素之一 。
5、图画的切割
图画切割是将图画分红若干有些 , 每一有些对应于某一物体外表 , 在进行切割时 , 每一有些的灰度或纹路契合某一种均匀测度衡量 。 某实质是将像素进行分类 。
分类的依据是像素的灰度值、色彩、频谱特性、空间特性或纹路特性等 。 图画切割是图画处置技能的根本办法之一 , 使用于比如染色体分类、景象了解体系、机器视觉等方面 。
图画切割首要有两种办法:
一是鉴于衡量空间的灰度阈值切割法 。 它是依据图画灰度直方图来决议图画空间域像素聚类 。 但它只使用了图画灰度特征 , 并没有使用图画中的其它有用信息 , 使得切割成果对噪声非常灵敏;
二是空间域区域增加切割办法 。 它是对在某种意义上(如灰度级、安排、梯度等)具有类似性质的像素连通集构成切割区域 , 该办法有极好的切割作用 , 但缺陷是运算杂乱 , 处置速度慢 。
其它的办法如边际追寻法 , 首要着眼于坚持边际性质 , 盯梢边际并构成闭合概括 , 将方针切割出来;
锥体图画数据布局法和符号松懈迭代法同样是使用像素空间散布联系 , 将边邻的像素作合理的归并 。
而依据常识的切割办法则是使用景象的先验信息和核算特性 , 首要对图画进行初始切割 , 抽取区域特征 , 然后使用范畴常识推导区域的解说 , 最终依据解说对区域进行兼并 。
6、图画的辨认
图画的辨认进程实践上能够看作是一个符号进程 , 即使用辨认算法来区分景象中已切割好的各个物体 , 给这些物体赋予特定的符号 , 它是机器视觉体系有必要完结的一个使命 。
依照图画辨认从易到难 , 可分为三类疑问 。
第一类辨认疑问中 , 图画中的像素表达了某一物体的某种特定信息 。 如遥感图画中的某一像素代表地上某一方位地物的必定光谱波段的反射特性 , 经过它即可判别出该地物的品种 。
第二类疑问中 , 待辨认物是有形的全体 , 二维图画信息现已满足辨认该物体 , 如文字辨认、某些具有安稳可视外表的三维体辨认等 。 但这类疑问不像第一类疑问简单表明成特征矢量 , 在辨认进程中 , 应先将待辨认物体正确地从图画的布景中切割出来 , 再设法将建立起来的图画中物体的特点图与假定模型库的特点图之间匹配 。
第三类疑问是由输入的二维图、要素图、2.5维图等 , 得出被测物体的三维表明 。 这儿存着如何将隐含的三维信息获取出来的疑问 , 当是今研讨的热门 。
当前用于图画辨认的办法首要分为决议计划理论和布局办法 。
决议计划理论办法的根底是决议计划函数 , 使用它对形式向量进行分类辨认 , 是以守时描绘(如核算纹路)为根底的;
布局办法的中心是将物体分化成了形式或形式基元 , 而不一样的物体布局有不一样的基元串(或称字符串) , 经过对不知道物体使用给定的形式基元求出编码鸿沟 , 得到字符串 , 再依据字符串判别它的属类 。 这是一种依赖于符号描绘被测物体之间联系的办法 。

    推荐阅读